可以尽快公开你的代码和训练的模型权重吗?

[mengxzh15]

如题

[haoyuc]

很抱歉，由于这是在公司里做的工作，其代码和模型的公开流程非常繁琐，且不一定能通过，因此公开代码和训练的模型权重的可能性比较渺茫。但是我们这个工作非常好复现，LR 重建网络的代码已经给出，剩余的其实就是改一下损失函数即可，可以在任意一个 low level 的代码框架中训练，非常容易复现。

具体来说，

第一步：预训练 LR 重建网络

输入：高清图片 + 对应的退化图片（可以是合成的也可以是 real 的）
输出： 重建的退化图片
Loss：输入退化图片 和 重建的退化图片计算 L1 Loss + LPIPS Loss

第二步：测试图片的时候进行 finetune

输入：（裁切成多张小的 patch）测试图片的 SR 网络的超分结果 + 要测试的图片
输出：重建的测试图片
Loss：输入测试图片 和 重建的退化图片计算 L1 Loss + LPIPS Loss（需要乘以一个高频区域权重，只计算高频区域的 loss）
训练参数：已有的 SR 网络
训练时间：100 - 700 个 iteration（根据实际效果而定）

[mengxzh15]

请问，这是在推理是迭代吗？那么推理时的时间 会不会比较久呢？能达到实时吗？譬如一张256×256的真实低分辨图，重建2倍的时间是多少呀？

[haoyuc]

是的，是在推理时先在测试图像上进行finetune，具体finetune的时间取决于使用的 SR 网络自身的模型大小，一般需要 200-600 个 iteration，大致需要的时间从十几秒到几分钟不等，加大学习率能够加快这个时间

[rainsoulsrx]

很抱歉，由于这是在公司里做的工作，其代码和模型的公开流程非常繁琐，且不一定能通过，因此公开代码和训练的模型权重的可能性比较渺茫。但是我们这个工作非常好复现，LR 重建网络的代码已经给出，剩余的其实就是改一下损失函数即可，可以在任意一个 low level 的代码框架中训练，非常容易复现。

具体来说，

第一步：预训练 LR 重建网络

输入：高清图片 + 对应的退化图片（可以是合成的也可以是 real 的） 输出： 重建的退化图片 Loss：输入退化图片 和 重建的退化图片计算 L1 Loss + LPIPS Loss

第二步：测试图片的时候进行 finetune

输入：（裁切成多张小的 patch）测试图片的 SR 网络的超分结果 + 要测试的图片 输出：重建的测试图片 Loss：输入测试图片 和 重建的退化图片计算 L1 Loss + LPIPS Loss（需要乘以一个高频区域权重，只计算高频区域的 loss） 训练参数：已有的 SR 网络 训练时间：100 - 700 个 iteration（根据实际效果而定）

请问第一步训练的时候用到了多少数据量呢